本发明涉及网络购物算法领域，尤其涉及一种适用于网络购物的基于深度学习的推荐算法。
背景技术：
在购物的时候，除了看商品本身的简介以外，人们更愿意看看已经购买过的人对于此商品的评价。因为简介是可以包装的，有时具有一定的不客观性；而且简介有生产商或者销售商提供，人们往往只能获得比较正面的信息，而没有被告知负面的信息。
比较可以接受的方案是，查看其他人对于此商品的评价，因为对于没有利益关联的用户来说，他们所作出的评价更具客观性。用户作出的评论也更全面，能覆盖到商家所提供的信息中所没有提及的或者掩盖的部分；而且用户评论更具有实用性，他们作出的往往都是对于商品本身功用的评价，区别与商家简介中比较冠冕堂皇的言辞。
但是在我们基于用户的推荐来做抉择时，我们也会碰到一些问题。如果有很多的用户对于一个商品作出很多推荐时，但是受限于每个人经验的积累程度不一致，他们给出的意见或许有些分歧，而且我们对于每件物品的退货原因没有一定的认知，不知道这件物品的退货缺点具体在什么地方，而且很多商品的外观看起来差不多，但是材质方面差别很大，在购物过程中不容易去分辨。
技术实现要素：
本发明的目的是为了解决现有技术中存在的缺点，而提出的一种适用于网络购物的基于深度学习的推荐算法。
为了实现上述目的，本发明采用了如下技术方案：
1、一种适用于网络购物的基于深度学习的推荐算法，包括以下步骤：
s1、获取搜索记录，根据搜索物品记录，建立同类型物品模块，所述同类型物品模块连接有商品收集模块，所述商品收集模块对相关商品的信息进行收集；
s2、s1中的商品收集模块连接有评价模块，评价模块会自动对同类型物品模块中推荐的相关物品进行评价，自动计算出该商品的性价比；
s3、获取收藏的店铺和经常浏览的店铺，形成上新推荐模块，上新推荐模块内包括相关物品单元和自动分析单元，自动分析单元对收藏的店铺和经常浏览的店铺中浏览的物品进行自动分析，进行推荐；
s4、评价模块对同类型物品模块中推荐的物品进行评价，从价格、好评、差评、商品详细介绍、商品月销售、折扣和退货方面对推荐的物品进行评价；
s5、根据生活中热门场景进行主题分类，展示用户普遍感兴趣的商品主题，建立热门主题模块，所述根据用户的静态信息和动态行为信息建立信息推荐模块。
优选的，所述相关物品模块内包括相关商品采集单元。
优选的，所述评价模块中包括价格单元、好评单元、差评单元、商品详细介绍单元、商品月销售量单元、折扣单元和退货单元。
优选的，所述退货单元内设有退货原因链接和月退货量，点击进去详细知道退货原因。
优选的，所述热门主题有网红、可爱、甜美和女王等。
优选的，所述用户的静态信息为性别、年龄、收入、购物时间和价格等。
优选的，所述动态行为信息为搜索历史、浏览记录、购买记录和物品评价记录等。
本发明的有益效果为：
1，本发明通过评价模块对同类型物品模块中推荐的物品进行评价，从价格、好评、差评、商品详细介绍、商品月销售、折扣和退货方面对推荐的物品进行评价，并且从退货原因着手用户对退货原因进行详细了解，从而更加精确选择适合自己，并且需要的物品。
附图说明
图1为本发明的提出的一种适用于网络购物的基于深度学习的推荐算法的结构示意图。
图2为本发明的提出的一种适用于网络购物的基于深度学习的推荐算法中评价模块的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
参照图1-2，一种适用于网络购物的基于深度学习的推荐算法，包括以下步骤：
s1、获取搜索记录，根据搜索物品记录，建立同类型物品模块，所述同类型物品模块连接有商品收集模块，所述商品收集模块对相关商品的信息进行收集；
s2、s1中的商品收集模块连接有评价模块，评价模块会自动对同类型物品模块中推荐的相关物品进行评价，自动计算出该商品的性价比；
s3、获取收藏的店铺和经常浏览的店铺，形成上新推荐模块，上新推荐模块内包括相关物品单元和自动分析单元，自动分析单元对收藏的店铺和经常浏览的店铺中浏览的物品进行自动分析，进行推荐；
s4、评价模块对同类型物品模块中推荐的物品进行评价，从价格、好评、差评、商品详细介绍、商品月销售、折扣和退货方面对推荐的物品进行评价；
s5、根据生活中热门场景进行主题分类，展示用户普遍感兴趣的商品主题，建立热门主题模块，所述根据用户的静态信息和动态行为信息建立信息推荐模块；
相关物品模块内包括相关商品采集单元，评价模块中包括价格单元、好评单元、差评单元、商品详细介绍单元、商品月销售量单元、折扣单元和退货单元，退货单元内设有退货原因链接和月退货量，点击进去详细知道退货原因，热门主题有网红、可爱、甜美和女王等，用户的静态信息为性别、年龄、收入、购物时间和价格等，动态行为信息为搜索历史、浏览记录、购买记录和物品评价记录等。
工作原理：本发明，在网络购物中，热门主题模块会自动根据网络上的热门主题提高搜索内容，同时信息推荐模块也根据用户的静态信息：性别、年龄、收入、购物时间和价格等，搜索历史、浏览记录、购买记录和物品评价记录等，给用户推荐物品，上新推荐模块也会将用户收藏的店铺和经常浏览的店铺中浏览的物品自动进行分析，然后推荐给用户，推荐的物品都是用户自身比较感兴趣的，当用户点击查看自己感兴趣的物品时，评价模块中会将产品从价格、好评、差评、商品详细介绍、商品月销售、折扣和退货方面对推荐的物品进行评价，从而给用户提供非常精确的产品信息，在用户点击退货单元内退货原因链接和月退货量时，可以详细的知道这件产品的缺点，同时选择自己需要的产品。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
1.一种适用于网络购物的基于深度学习的推荐算法，其特征在于，包括以下步骤：
s1、获取搜索记录，根据搜索物品记录，建立同类型物品模块，所述同类型物品模块连接有商品收集模块，所述商品收集模块对相关商品的信息进行收集；
s2、s1中的商品收集模块连接有评价模块，评价模块会自动对同类型物品模块中推荐的相关物品进行评价，自动计算出该商品的性价比；
s3、获取收藏的店铺和经常浏览的店铺，形成上新推荐模块，上新推荐模块内包括相关物品单元和自动分析单元，自动分析单元对收藏的店铺和经常浏览的店铺中浏览的物品进行自动分析，进行推荐；
s4、评价模块对同类型物品模块中推荐的物品进行评价，从价格、好评、差评、商品详细介绍、商品月销售、折扣和退货方面对推荐的物品进行评价；
s5、根据生活中热门场景进行主题分类，展示用户普遍感兴趣的商品主题，建立热门主题模块，所述根据用户的静态信息和动态行为信息建立信息推荐模块。
2.根据权利要求1所述的一种适用于网络购物的基于深度学习的推荐算法，其特征在于，所述相关物品模块内包括相关商品采集单元。
3.根据权利要求1所述的一种适用于网络购物的基于深度学习的推荐算法，其特征在于，所述评价模块中包括价格单元、好评单元、差评单元、商品详细介绍单元、商品月销售量单元、折扣单元和退货单元。
4.根据权利要求1所述的一种适用于网络购物的基于深度学习的推荐算法，其特征在于，所述退货单元内设有退货原因链接和月退货量，点击进去详细知道退货原因。
5.根据权利要求1所述的一种适用于网络购物的基于深度学习的推荐算法，其特征在于，所述热门主题有网红、可爱、甜美和女王等。
6.根据权利要求1所述的一种适用于网络购物的基于深度学习的推荐算法，其特征在于，所述用户的静态信息为性别、年龄、收入、购物时间和价格等。
7.根据权利要求1所述的一种适用于网络购物的基于深度学习的推荐算法，其特征在于，所述动态行为信息为搜索历史、浏览记录、购买记录和物品评价记录等。
技术总结